DOI: https://doi.org/10.24136/eq.3539
تاريخ النشر: 2026-03-30
المؤلف: Olesya Petrenko وآخرون
الموضوع الرئيسي: ديناميات سوق العمل وعدم المساواة في الأجور
نظرة عامة
تبحث ورقة البحث في الفجوة المستمرة في الأجور بين الجنسين (GPG) عبر الاتحاد الأوروبي، مع التركيز بشكل خاص على العوامل الهيكلية التي تسهم في الفجوات في سوق العمل، خاصة في مجالات العلوم والتكنولوجيا والهندسة والرياضيات (STEM). على الرغم من زيادة حصول النساء على التعليم العالي، فإن تمثيلهن المنخفض في وظائف STEM يثير تساؤلات حاسمة حول تقاطع مسارات التعليم وGPG. تستخدم الدراسة متوسط النماذج البايزية (BMA) لتحليل 21 محددًا لـ GPG عبر 27 دولة عضو في الاتحاد الأوروبي، كاشفة أن الفجوات بين الجنسين في مسارات التعليم مرتبطة بشكل منهجي بعدم المساواة في الأجور في سوق العمل.
تشير النتائج إلى أنه بينما يعد توسيع مشاركة النساء في التعليم العالي أمرًا ضروريًا، إلا أنه غير كافٍ لتحقيق تقارب الأجور إذا ظلت المسارات التعليمية مفصولة أفقيًا. تسلط الدراسة الضوء على أن التباينات بين الجنسين في المؤهلات المتقدمة ونقاط الدخول في بداية الحياة المهنية تعزز عدم المساواة في الأجور، مما يشير إلى أن التدخلات السياسية الفعالة يجب أن تعالج ليس فقط الوصول إلى التعليم ولكن أيضًا ممارسات التوظيف، وثقافات مكان العمل، وهياكل تقدم الحياة المهنية. تدعو الدراسة إلى مزيد من البحث لاستكشاف ديناميات مسارات سوق العمل للنساء، مع التأكيد على الحاجة إلى أساليب نوعية لكشف العوامل الثقافية والتنظيمية التي تسهم في النتائج المرتبطة بالجنس في مجالات STEM.
مقدمة
تتناول مقدمة هذه الورقة البحثية القضية المستمرة للفجوة في الأجور بين الجنسين (GPG) في أوروبا، مشددة على أنه على الرغم من المبادرات المختلفة التي تهدف إلى زيادة مشاركة النساء في مجالات مثل البناء والصناعة والخدمات، لا تزال هناك تفاوتات كبيرة في الأجور. تشير المفوضية الأوروبية إلى أن GPG شهدت تغييرات طفيفة على مدار العقد الماضي، مما يطرح تحديات اقتصادية من خلال تقليل الإنتاجية والنمو. تهدف الدراسة إلى استكشاف العوامل التي تؤثر على اختيارات الطالبات في متابعة التعليم في مجالات العلوم والتكنولوجيا والهندسة والرياضيات (STEM) وتحليل العلاقة بين تمثيل الجنسين في التعليم العالي وGPG.
يقترح المؤلفون أن زيادة نسبة النساء الحاصلات على درجات التعليم العالي يجب أن ترتبط بتقليل GPG. يؤكدون على الحاجة لفهم التفاعل المعقد بين الخيارات التعليمية، ونتائج سوق العمل، والمساواة بين الجنسين. للتحقيق في هذه العلاقات، تستخدم الدراسة متوسط النماذج البايزية (BMA) لمعالجة تحديات عدم اليقين في النماذج واختيار المتغيرات، نظرًا للعدد الكبير من المتغيرات التفسيرية المحتملة. تهدف هذه الطريقة المنهجية إلى تقديم تحليل قوي للمحددات التي تؤثر على GPG، مما يسهم في تطوير ظروف سوق العمل الأكثر عدلاً في الاتحاد الأوروبي. بالإضافة إلى ذلك، تقدم البحث مجموعة بيانات موحدة لقياس نتائج التعليم العالي عبر دول الاتحاد الأوروبي من 2013 إلى 2020، مما يعزز فهم الفجوات بين الجنسين في التعليم والتوظيف.
الطرق
في هذا القسم، يحدد المؤلفون منهجيتهم باستخدام متوسط النماذج البايزية (BMA) لمعالجة عدم اليقين في النماذج واختيار المتغيرات في تحليل الفجوة في الأجور بين الجنسين (GPG). يتم استخدام BMA لدمج الرؤى من نماذج متعددة، مما يسمح بتحديد المتغيرات الأكثر تفسيرًا مع الأخذ في الاعتبار عدم اليقين في اختيار النموذج. يؤكد المؤلفون أن تركيزهم هو على تقييم الأهمية النسبية للمتغيرات التفسيرية المتنافسة بدلاً من إقامة علاقات سببية، مع الاعتراف بإمكانية وجود تداخل في العلاقات التي تم تحليلها.
تشمل المنهجية نماذج الانحدار الخطي العادي، حيث يحدد المؤلفون توزيعًا سابقًا للمعاملات ويستخدمون مجموعة متنوعة من g-priors لفحص حساسية النتائج. يحسبون احتمالات الإدراج اللاحقة (PIPs) لتحديد مدى أهمية المتغيرات الفردية في تفسير المتغير التابع، مصنفين إياها بناءً على قيم PIP الخاصة بها. بالإضافة إلى ذلك، يقدم المؤلفون مقياسًا مشتركًا لتقييم العلاقة بين أزواج المتغيرات، مشيرين إلى ما إذا كانت بدائل أو مكملات. يتم استخدام حزمة BMA 3.21 لبرنامج gretl لإجراء التحليل، مما يوفر إحصائيات لاحقة وترتيبات لمواصفات النماذج بناءً على قوتها التفسيرية.
النتائج
في هذه الدراسة، تم استخدام متوسط النماذج البايزية (BMA) لتحليل الفجوة في الأجور بين الجنسين (GPG) كمتغير تابع، باستخدام بيانات من 27 دولة عضو في الاتحاد الأوروبي بين 2013 و2020. كشفت محاكاة مونت كارلو أنه من بين 179,824 نموذجًا تم استكشافها، تم قبول 79,582، حيث تمثل أفضل 40 نموذجًا معًا احتمالًا لاحقًا يقارب 0.10. تشير هذه القيمة المنخفضة إلى تباين كبير في الاحتمالات اللاحقة عبر مواصفات النماذج المختلفة، مما يبرز أهمية المتوسط عبر نماذج متعددة لتجنب الاستنتاجات المضللة بناءً على أي نموذج واحد. كان معامل الارتباط بين الاحتمالات التحليلية والعددية يقارب 0.99، مما يشير إلى التقارب في سلسلة مونت كارلو.
حددت التحليلات عدة محددات رئيسية لـ GPG، مع احتمالات إدراج لاحقة عالية (PIPs) لعوامل مثل توظيف الذكور حسب مستوى التعليم، ونسبة النساء إلى الرجال، وخريجي الماجستير الذكور، جميعها تتجاوز 0.9. بالإضافة إلى ذلك، تم تصنيف خمسة متغيرات أخرى – خريجات البكالوريوس الإناث، والسنوات المتوقعة في التعليم العالي، ومعدلات الخصوبة حسب العمر، والنفقات العامة على التعليم، ونسبة النفقات السنوية لكل طالب – كعوامل محتملة معتدلة، مع PIPs تتراوح من حوالي 0.54 إلى 0.86. تؤكد النتائج على عدم اليقين في النموذج المتأصل في التحليل، كما يتضح من التشابه في توزيعات حجم النموذج السابق واللاحق، وتم تمثيلها بصريًا في الأشكال المرفقة. أكدت تحليلات الحساسية على قوة هذه النتائج عبر مواصفات سابقة مختلفة، مما يعزز موثوقية الاستنتاجات المستندة إلى BMA بشأن محددات GPG.
المناقشة
في هذا القسم، تركز المناقشة على الفجوة في الأجور بين الجنسين (GPG) في الدول المتقدمة، مع التأكيد على العوامل المتعددة التي تسهم في الفجوات بين الجنسين في الأجور. تكشف النتائج الرئيسية أن التحصيل التعليمي، وخبرة سوق العمل، والمسؤوليات الأسرية تؤثر بشكل كبير على GPG. من الجدير بالذكر أن التمثيل المنخفض للنساء في مجالات STEM والحواجز التي يواجهنها، مثل التمييز “السقف الزجاجي”، تزيد من هذه الفجوات. تستخدم التحليلات متوسط النماذج البايزية (BMA) لتحديد العوامل المرتبطة بـ GPG، مشددة على أن زيادة عدد الذكور الحاصلين على تعليم عالٍ ترتبط بتوسع GPG، بينما ترتبط نسبة الإناث إلى الذكور الأكبر بزيادة GPG، مما يشير إلى أن التركيبة التعليمية وحدها لا تضمن المساواة في الأجور.
علاوة على ذلك، تؤكد الدراسة على أهمية النفقات العامة على التعليم، والتي تؤثر سلبًا على GPG، مما يشير إلى أن زيادة الاستثمار يمكن أن تسهل فرص تعليمية أفضل للنساء، وبالتالي تضييق الفجوة في الأجور. ومع ذلك، تشير النتائج أيضًا إلى أن زيادة عدد النساء في STEM لا تؤدي بالضرورة إلى المساواة في الأجور، حيث تستمر التحيزات النظامية وديناميات سوق العمل. تؤكد تداعيات هذه النتائج على الحاجة إلى سياسات مستهدفة لا تعزز فقط مشاركة النساء في التعليم العالي ولكن أيضًا تعالج الحواجز الهيكلية التي تحافظ على الفجوات في الأجور بين الجنسين، خاصة في القطاعات ذات الأجور العالية.
DOI: https://doi.org/10.24136/eq.3539
Publication Date: 2026-03-30
Author(s): Olesya Petrenko et al.
Primary Topic: Labor market dynamics and wage inequality
Overview
The research paper investigates the persistent gender pay gap (GPG) across the EU, particularly focusing on the structural factors that contribute to labor market disparities, especially in STEM (Science, Technology, Engineering, and Mathematics) fields. Despite an increase in women’s attainment of tertiary education, their underrepresentation in STEM careers raises critical questions about the intersection of educational pathways and the GPG. The study employs Bayesian model averaging (BMA) to analyze 21 determinants of the GPG across 27 EU Member States, revealing that gender disparities in educational pathways are systematically linked to wage inequalities in the labor market.
The findings indicate that while expanding female participation in higher education is essential, it is insufficient for achieving wage convergence if educational trajectories remain horizontally segregated. The research highlights that gendered asymmetries in advanced qualifications and early-career entry points reinforce wage inequalities, suggesting that effective policy interventions must address not only educational access but also recruitment practices, workplace cultures, and career progression structures. The study calls for further research to explore the dynamics of women’s labor market trajectories, emphasizing the need for qualitative methods to uncover the cultural and organizational factors that contribute to gendered outcomes in STEM fields.
Introduction
The introduction of this research paper addresses the persistent issue of the gender pay gap (GPG) in Europe, highlighting that despite various initiatives aimed at increasing women’s participation in fields such as construction, industry, and services, significant pay disparities remain. The European Commission notes that the GPG has seen minimal change over the past decade, which poses economic challenges by potentially limiting productivity and growth. The study aims to explore the factors influencing female students’ choices in pursuing science, technology, engineering, and mathematics (STEM) education and to analyze the relationship between gender representation in higher education and the GPG.
The authors propose that a higher proportion of women with tertiary degrees should correlate with a reduction in the GPG. They emphasize the need to understand the complex interplay between educational choices, labor market outcomes, and gender equality. To investigate these relationships, the study employs Bayesian Model Averaging (BMA) to address the challenges of model uncertainty and variable selection, given the extensive number of potential explanatory variables. This methodological approach aims to provide a robust analysis of the determinants affecting the GPG, ultimately contributing to the development of more equitable labor market conditions in the European Union. Additionally, the research offers a standardized dataset to measure higher education outcomes across EU Member States from 2013 to 2020, enhancing the understanding of gender disparities in education and employment.
Methods
In this section, the authors outline their methodology using Bayesian Model Averaging (BMA) to address model uncertainty and variable selection in the analysis of the gender pay gap (GPG). BMA is employed to combine insights from multiple models, allowing for the identification of the most explanatory variables while accounting for uncertainty in model selection. The authors emphasize that their focus is on assessing the relative importance of competing explanatory variables rather than establishing causal relationships, acknowledging potential endogeneity in the analyzed relationships.
The methodology involves normal linear regression models, where the authors specify a prior distribution for the coefficients and utilize various g-priors to examine the sensitivity of results. They calculate posterior inclusion probabilities (PIPs) to determine the relevance of individual variables in explaining the dependent variable, categorizing them based on their PIP values. Additionally, the authors introduce a jointness measure to assess the relationship between pairs of variables, indicating whether they are substitutes or complements. The BMA 3.21 package for the gretl program is utilized to perform the analysis, providing posterior statistics and rankings of model specifications based on their explanatory power.
Results
In this study, Bayesian Model Averaging (BMA) was employed to analyze the Gender Pay Gap (GPG) as the dependent variable, utilizing data from 27 EU Member States between 2013 and 2020. The Monte Carlo simulation revealed that out of 179,824 models explored, 79,582 were accepted, with the top 40 models collectively accounting for a posterior probability of approximately 0.10. This low value indicates significant dispersion in posterior probabilities across various model specifications, highlighting the importance of averaging over multiple models to avoid misleading inferences based on any single model. The correlation coefficient between analytical and numerical probabilities was approximately 0.99, suggesting convergence in the Monte Carlo chain.
The analysis identified several key determinants of the GPG, with high posterior inclusion probabilities (PIPs) for factors such as male employment by educational attainment, the women-to-men ratio, and male master graduates, all exceeding 0.9. Additionally, five other variables—female bachelor graduates, expected years in tertiary education, fertility rates by age, public expenditures on education, and the ratio of annual expenditure per student—were classified as moderately probable factors, with PIPs ranging from approximately 0.54 to 0.86. The results underscore the model uncertainty inherent in the analysis, as indicated by the similarity in prior and posterior model size distributions, and are visually represented in the accompanying figures. Sensitivity analyses confirmed the robustness of these findings across different prior specifications, reinforcing the reliability of the BMA-based conclusions regarding the GPG determinants.
Discussion
In this section, the discussion focuses on the gender pay gap (GPG) in developed countries, emphasizing the multifaceted factors contributing to gender disparities in earnings. Key findings reveal that educational attainment, labor market experience, and family responsibilities significantly influence the GPG. Notably, the underrepresentation of women in STEM fields and the barriers they face, such as “glass ceiling” discrimination, exacerbate these disparities. The analysis employs Bayesian model averaging (BMA) to identify robust correlates of the GPG, highlighting that a higher number of males with tertiary education correlates with a wider GPG, while a larger female-to-male ratio is associated with a higher GPG, indicating that educational composition alone does not ensure wage parity.
Moreover, the study underscores the importance of public expenditure on education, which negatively impacts the GPG, suggesting that increased investment can facilitate better educational opportunities for women, thereby narrowing the pay gap. However, the findings also indicate that simply increasing the number of women in STEM does not necessarily lead to wage equality, as systemic biases and labor market dynamics persist. The implications of these results stress the need for targeted policies that not only promote female participation in higher education but also address the structural barriers that maintain gender wage disparities, particularly in high-paying sectors.